scrapy启动爬虫（python网络爬虫scrapy组件）

本文将介绍我是如何在python爬虫里面一步一步踩坑，然后慢慢走出来的，期间碰到的所有问题我都会详细说明，让大家以后碰到这些问题时能够快速确定问题的来源，后面的代码只是贴出了核心代码，更详细的代码暂时没有贴出来。

流程一览

首先我是想爬某个网站上面的所有文章内容，但是由于之前没有做过爬虫（也不知道到底那个语言最方便），所以这里想到了是用python来做一个爬虫（毕竟人家的名字都带有爬虫的含义:smile:），我这边是打算先将所有从网站上爬下来的数据放到 ElasticSearch 里面, 选择 ElasticSearch 的原因是速度快，里面分词插件，倒排索引，需要数据的时候查询效率会非常好（毕竟爬的东西比较多:smile:），然后我会将所有的数据在 ElasticSearch 的老婆 kibana 里面将数据进行可视化出来，并且分析这些文章内容，可以先看一下预期可视化的效果（上图了），这个效果图是 kibana6.4 系统给予的帮助效果图（就是说你可以弄成这样,我也想弄成这样:grin:）。后面我会发一个dockerfile上来（现在还没弄:flushed:）。

环境需求

1. Jdk (Elasticsearch需要)
2. ElasticSearch (用来存储数据)
3. Kinaba (用来操作ElasticSearch和数据可视化)
4. Python (编写爬虫)
5. Redis (数据排重)

这些东西可以去找相应的教程安装，我这里只有ElasticSearch的安装:cry:点我获取安装教程

第一步，使用python的pip来安装需要的插件（第一个坑在这儿）

1. tomd :将html转换成markdown

pip3 install tomd
复制代码

1. redis :需要python的redis插件

pip3 install redis
复制代码

1. scrapy :框架安装(坑)
2. 首先我是像上面一样执行了

pip3 install scrapy
复制代码

1. 然后发现缺少 gcc 组件 error: command 'gcc' failed with exit status 1

1. 
   
2. 
   
3. 然后我就找啊找，找啊找，最后终于找到了正确的解决方法(期间试了很多错误答案:sob:)。最终的解决办法就是使用 yum 来安装 python34-devel , 这个 python34-devel 根据你自己的python版本来，可能是python-devel,是多少版本就将中间的34改成你的版本, 我的是3.4.6

yum install python34-devel
复制代码

1. 安装完成过后使用命令 scrapy 来试试吧。

1. 
   

第二步，使用scrapy来创建你的项目

1. 输入命令 scrapy startproject scrapyDemo , 来创建一个爬虫项目

1. 使用genspider来生成一个基础的spider,使用命令 scrapy genspider demo juejin.im ， 后面这个网址是你要爬的网站,我们先爬自己家的:joy:

1. 查看生成的目录结构

1. 
   

第三步，打开项目，开始编码

1. 查看生成的的demo.py的内容

1. 可以使用第二种方式，将start_urls给提出来

1. 编写 parse 方法的代码

1. 编写pipeline类,这个pipeline是一个管道，可以将所有yield关键字返回的数据都交给这个管道处理，但是需要在settings里面配置一下pipeline才行

第四步，运行代码查看效果

1. 使用 scrapy list 查看本地的所有爬虫

liaochengdeMacBook-Pro:scrapyDemo liaocheng$ scrapy list
demo
liaochengdeMacBook-Pro:scrapyDemo liaocheng$ 
复制代码

1. 使用 scrapy crawl demo 来运行爬虫

scrapy crawl demo
复制代码

1. 到kibana里面看爬到的数据,执行下面的命令可以看到数据